使用 spacy 添加/删除自定义停用词

Posted 2023-03-12

【中文标题】使用 spacy 添加/删除自定义停用词

【英文标题】：Add/remove custom stop words with spacy

【发布时间】：2017-05-01 10:38:30

【问题描述】：

使用 spacy 添加/删除停用词的最佳方法是什么？我正在使用token.is_stop 函数并想对集合进行一些自定义更改。我正在查看文档，但找不到任何关于停用词的信息。谢谢！

【问题讨论】：

完整列表：from spacy.en.word_sets import STOP_WORDS

【参考方案1】：

对于版本 2.3.0 如果您想替换整个列表而不是添加或删除一些停用词，您可以这样做：

custom_stop_words = set(['the','and','a'])

# First override the stop words set for the language
cls = spacy.util.get_lang_class('en')
cls.Defaults.stop_words = custom_stop_words

# Now load your model
nlp = spacy.load('en_core_web_md')

诀窍是在加载模型之前为语言分配停用词集。它还确保停用词的任何大写/小写变体都被视为停用词。

【参考方案2】：

这也收集了停用词:)

spacy_stopwords = spacy.lang.en.stop_words.STOP_WORDS

【参考方案3】：

使用 Spacy 2.0.11，您可以使用以下方法之一更新其停用词集：

添加单个停用词：

import spacy    
nlp = spacy.load("en")
nlp.Defaults.stop_words.add("my_new_stopword")

一次添加多个停用词：

import spacy    
nlp = spacy.load("en")
nlp.Defaults.stop_words |= "my_new_stopword1","my_new_stopword2",

要删除单个停用词：

import spacy    
nlp = spacy.load("en")
nlp.Defaults.stop_words.remove("whatever")

一次删除多个停用词：

import spacy    
nlp = spacy.load("en")
nlp.Defaults.stop_words -= "whatever", "whenever"

注意：要查看当前的停用词集，请使用：

print(nlp.Defaults.stop_words)

更新：在 cmets 中指出，此修复仅影响当前执行。要更新模型，您可以使用方法nlp.to_disk("/path") 和nlp.from_disk("/path")（在https://spacy.io/usage/saving-loading 中进一步描述）。

【讨论】：

@AustinT 获得两个集合的并集是语法糖，a|=b 等价于a=a.union(b)。类似地，运算符-= 允许执行一组差异。花括号语法允许以简单的方式创建集合，a=1,2,3 等同于a=set(1,2,3)。

这实际上并不影响模型。

我的意思是它实际上似乎也不会影响当前的执行。 （也许我运行的东西出了问题。）另一种方法似乎万无一失。

我同意@fny。虽然这会将停用词添加到 nlp.Defaults.stop_word，但如果您使用 token.is_stop 检查该词，您仍然会得到 False。

【参考方案4】：

在最新版本中，以下将删除列表中的单词：

spacy_stopwords = spacy.lang.en.stop_words.STOP_WORDS
spacy_stopwords.remove('not')

【参考方案5】：

对于 2.0，请使用以下内容：

for word in nlp.Defaults.stop_words:
    lex = nlp.vocab[word]
    lex.is_stop = True

【讨论】：

您正在展示如何按照this bug/workaround 修复损坏的模型。虽然很容易适应 OP 需求，但您可以扩展为什么要以这种方式编写代码：由于错误，目前需要它，但这是一个多余的步骤，因为 les.is_stop 应该已经是 @987654324 @ 在没有错误的未来。

【参考方案6】：

您可以在像这样处理您的文本之前对其进行编辑（请参阅this post）：

>>> import spacy
>>> nlp = spacy.load("en")
>>> nlp.vocab["the"].is_stop = False
>>> nlp.vocab["definitelynotastopword"].is_stop = True
>>> sentence = nlp("the word is definitelynotastopword")
>>> sentence[0].is_stop
False
>>> sentence[3].is_stop
True

注意：这似乎工作

【讨论】：

不错。谢谢！

此解决方案似乎不再适用于 1.9.0 版？我收到TypeError: an integer is required

@E.K.错误的原因是因为词汇输入词应该是unicode（使用u“the”而不是“the”）

【参考方案7】：

对于 2.0 版，我使用了这个：

from spacy.lang.en.stop_words import STOP_WORDS

print(STOP_WORDS) # <- set of Spacy's default stop words

STOP_WORDS.add("your_additional_stop_word_here")

for word in STOP_WORDS:
    lexeme = nlp.vocab[word]
    lexeme.is_stop = True

这会将所有停用词加载到一个集合中。

您可以将停用词修改为STOP_WORDS 或首先使用您自己的列表。

【讨论】：

在 2.0 版中做到这一点并得到“ImportError: No module named en.stop_words”...suggestions?